一种基于SVM的人形识别算法

提出了一种基于SVM(支持向量机)人形识别的算法,通过对静态图像小波变换提取目标的局部形状突变特征,并结合动态帧的步态特征,然后利用支持向量机对小样本进行学习与识别.通过实验验证,该算法具有实时性好、识别率高、可靠性高、适用范围广等特点,以达到实现监控自动化和智能化的目标.     

基于离散小波变换的水下回波信号尾波包络特征提取

提出一种水下目标回波的特征提取方法.该方法在离散小波变换的基础上,基于回波信号中的散射成分可以对水下底质进行分类的理论基础,提取水下回波信号尾波包络特征作为识别特征矢量,构成基于尾波包络特征的特征空间,再采用最佳鉴别矢量法将特征空间进行特征压缩,最后利用最小距离分类器对目标回波进行分类.实测数据结果表明,采用这种方法得到的包络特征是一种稳健、有效的特征,能够获得较高的正确识别率.     

基于小波分解的OFDM信号与单载波信号识别方法

通信信号调制方式的自动识别是软件无线电和非合作目标通信的关键技术.针对航空信道下OFDM信号与单载波信号的识别问题,提出了基于小波分解得到信号概貌信息均值方差特征的调制识别方法,分析了本文方法对OFDM信号和单载波信号的识别性能,以及OFDM信号子载波数对识别率的影响,并与已有方法进行性能对比分析,通过计算机仿真验证了该方法的有效性.     

基于顺序向前浮动搜索时频优选特征的缺陷识别

为提高超声检测缺陷识别的正确率和泛化能力,提出一种基于小波包分解和顺序向前浮动搜索（SFFS）算法的时频最优特征提取方法.该方法结合了无监督和有监督特征提取方法的优点,局部利用样本的先验分类信息以期达到更好的识别效果.介绍上述特征提取方法中的相关理论,包括小波包变换、Fisher判据以及SFFS搜索算法.为了验证新方法的在缺陷识别方面的有效性,对石油套管上的4种典型缺陷进行识别实验.分别采用3种传统的特征提取方法,从时域、频域和小波包域提取特征用于对比实验,并采用支持向量机算法对上述不同途径获取的特征集进行识别.10组随机抽样的识别实验表明：采用小波包时频SFFS优选特征能够对上述缺陷进行有效识别,最高识别率达到93.3%,平均识别率达到89.5%.与上述3种传统的特征提取方法相比,该新方法识别率高、泛化性好,对训练样本选的选择敏感性小.     

基于支持向量机的图像纹理识别方法

将支持向量机(SVM)应用于基于内容的图像检索领域，提出一种基于Gabor小波变换和支持向量机分类器的新型集成纹理识别方法.目标是利用Gabor小波设计的多通道小波滤波器对图像目标进行小波变换，用Gabor小波变换系数的模的平均值和标准差生成表示目标图像的特征向量，将特征向量归一化后用支持向量机进行训练和识别.最后，利用Brodatz纹理库中的纹理图像进行了试验并与其他几种方法进行了比较.结果表明，该方法的识别率在小样本情况下要优于其他几种方法，并且具有更好的泛化和推广能力.     

一种基于小波矩的图像识别方法

研究了一种基于小波矩的图像目标平移、缩放和旋转不变特征提取算法,将不变特征提取算法与BP神经网络结合,组成一个图像识别系统.目的在于提高图像处理的质量,这种方法有更好的实用性.在这个系统中,利用小波矩不变量不仅可以得到图像的局部特征,还增加了对图像结构精细特征的把握能力强的优点,把提取的图像目标平移、缩放和旋转不变特征馈人BP神经网络,完成有监督的不变性模式识别.在实验中,利用该方法对无噪、有噪图像,特别是相似物体图像进行识别,可获得98％的正确识别率;并且将其与一般不变矩特征的算法获得的实验数据进行了对比分析.实验结果表明,该方法在图像识别准确率和抗噪性能上都有较大的提高.     

一种深度神经网络SAR遮挡目标识别方法

提出了一种利用深度神经网络的合成孔径雷达图像部分遮挡目标的特征提取和目标识别新方法.该方法首先对合成孔径雷达图像进行预处理,然后提取预处理后合成孔径雷达目标的小波域低频子带图像作为训练数据,最后利用深层稀疏编码模型进一步提取合成孔径雷达遮挡目标的有效特征向量作为目标的特征以完成目标识别.采用MSTAR数据库中的3类目标进行目标遮挡模拟及识别实验.结果表明,新方法可以综合利用遮挡目标的局部和整体结构信息以提高目标的正确识别率,是一种有效的合成孔径雷达遮挡目标特征提取和目标识别方法.     

基于小波空间特征谱熵的数字图像识别

针对目前数字图像识别准确率不高的问题,重点研究了基于小波空间特征谱熵的图像特征提取方法。该方法利用小波变换前后能量不变的原理,构造小波能量模式矩阵,对该矩阵进行奇异值分解,并求取了奇异值的特征谱熵作为图像的特征。实验结果表明,本文提出的图像特征提取方法能够获得很高的图像正确识别率,证明了该方法的有效性和实用性。     

机动车声信号特征提取方法及在目标识别中的应用

使用谐波集法和小波子空间能量法，对目标识别中的声信号特征量提取技术进行了较为深入的研究，介绍了两种用于被动声信号特征提取的方法——谐波集法和小波子空间能量法，谐波集法是提取不同的频域特征作为特征矢量，小波子空间能量法是将不同尺度小波子空间能量作为目标识别的特征矢量；并采用k近邻(kNN)分类器对机动车目标的声信号和非机动车目标的声信号进行分类,经过对实测数据的计算机仿真结果表明，这两种方法都能达到较高的正确识别率，且小波子空间能量法性能更优。     

毫米波瞬态信号的特征提取与识别

将小波分析引入毫米波系统的目标识别中,提出了基于小波分析的提取毫米波瞬态信号特征矢量的两种方法,能量特征矢量法和模极大值特征矢量法,识别结果证实了它们具有较理想的识别率,提高了毫米波系统的目标识别性能。     

基于小波包信息熵和小波神经网络的异步电机故障诊断

采用一种基于小波包信息熵和小波神经网络的方法对异步电机进行故障诊断。将故障信号进行小波包预处理,并在此基础上提取信号的小波包能谱熵和小波包系数熵,构成信号的信息熵特征向量。训练小波神经网络使其在输入特征向量后能有效检测并输出故障模式,以实现对单一故障和复合故障的诊断。通过内嵌的方式把小波变换融入神经网络,具有良好的自适应分辨率和容错能力,可以有效避免局部最小值以及收敛速度过于缓慢的问题。试验表明,基于小波包信息熵和小波神经网络的方法能很好地进行异步电机的故障诊断,且该方法优于同参数下的BP神经网络模型。     

结合空域噪声信息的小波脊提取算法

小波变换轮廓术的实质是计算小波脊的位置,进而得到最佳伸缩尺度和相位信息。但小波脊的提取易受噪声的影响,从而造成小波脊提取不准确。针对此问题,提出了一种新的代价函数提取小波脊的算法。该算法利用小波变换系数幅值和尺度参数曲线梯度信息建立代价函数;使用Feature Scaling方法对小波变换系数幅值和尺度参数曲线梯度进行调整,平衡两项指标的权重;随着噪声增大,小波脊受噪声影响加大,结合空域噪声信息对调整后的尺度参数曲线梯度进行补偿,加大尺度参数曲线梯度权重,使脊线更加光滑。实验表明,该算法具有良好的抗噪能力和鲁棒性,能够较精确地提取小波脊。     

基于多尺度二维小波分析的织物表面折皱研究

本文引入多尺度二维小波分析织物的表面折皱，织物图像首先经小波变换分解成低频和高频两部分，再从中提取四种表征织物折皱的特征参数，并计算特征参数与不同折皱等级的相关系数，实验表明，四种特征参数均可从不同侧面反映织物的折皱程度，特征参数与织物的折皱程度基本呈线性相关，最后采用分形理论与该方法进行对比，以验证此方法的可行性。     

基于Haar小波变换的快速k-近邻分类算法

提出了一种新的快速k-近邻分类算法,通过研究Haar小波系数所包含的重要信息,确定向量经Haar小波变换得到的小波系数与向量方差问的关系,由此得出关于小波系数的不等式,并利用此不等式提高k-近邻分类中的k-近邻搜索效率.在搜索k-近邻的过程中,首先判断每个训练向量是否满足该不等式,由此排除许多不可能成为k-近邻的向量,...     

基于小波变换多尺度的边缘检测

基于信号与噪声在不同尺度下小波系数模的变化特征，利用小波变换系数模局部极大值提取图像的边缘特征。实验结果说明这种特征提取方法不仅有效地降低了噪声，而且也能较准确地提取图像的边缘及降低计算量。     

小波变换在肌电信号预处理中的应用

传统检测方法处理肌电信号时，个体差异比较大，针对这一不足，首先应用小波消噪理论对肌电信号进行预处理，将信号进行小波分解与重构，消除了肌电信号实际测量中不可测噪声的干扰，然后分析重构得到的信号的功率谱比值和对应肢体动作变化之间的关系。这种方法很适合处理非特定人的肌电信号。实验表明这种方法与单一使用功率谱比值法的方法相比，动作模式识别率得到了提高。同时，采用虚拟仪器技术提高仪器的测量精度，降低成本。     

基于小波分析的数字电路动态电流测试技术

针对数字电路中常见的晶体管桥接故障,研究了数字电路动态电流测试及定位方法。利用小波包分析技术,提取小波系数中所包含的丰富的时频信息作为故障特征,建立故障字典。实验结果表明,该方法准确、高效,用于数字电路电流检测效果良好。     

基于小波变换的脑电信号降噪方法的研究

通过小波变换方法对左右手运动想象脑电信号进行降噪.在对各种小波阈值降噪方法(固定阈值形式Sqtwolog及硬阈值法;使用Birge-Massart惩罚函数的阈值形式及软阈值法;使用分层阈值及改进的阈值法)的讨论比较之后,给出一种改进方案.然后对不同降噪方法处理后的脑电信号用概率神经网络进行分类.最后对分类效果进行比较,证明了此改进方案具有可行性.     

小波包分解与能量特征提取相结合的水管泄漏位置的确定

针对水管泄漏定位的方法--直接相关法受到噪声和声传播方式的影响,定位精度低,提出了一种基于小波包分解与能量特征提取相结合的水管泄漏定位.该方法首先用声学传感器采集数据,然后通过小波包分解将其分为不同的频段,再基于能量特征的提取选出有用的频段作互相关分析,最后通过比较相关系数来确定泄漏位置.通过仿真和实际实验的分析,本文提出的方法消除了直接相关法的缺点,提高了定位精度,是有效的.     

基于LPMCC特征和小波RBF网络的语音识别

小波神经网络是结合小波变换理论与人工神经网络思想而构造出来的一种"新型的神经网络模型",融合了小波变换良好的时频局域化性质及神经网络的自学习功能。它通常可看作RBF网络的推广。本文构建了一个以Morlet母小波作为小波基,代替RBF网络中的激活函数的小波神经网络结构,并采用线性预测美尔倒谱(LPMCC)作为特征参数,进行了孤立词语音识别。实验结果表明此种方法抗噪性能好,识别效率高。